Course catalog

Course duration

Course provider

Topic

Categories

Showing 61-80 of 156 items.

coursera تجزیه و تحلیل داده ها در پایتون با پانداها و matplotlib در Spyder (Mitalearn-327536)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Kevin Noelsaint,Anh Le
درباره این دوره:

کدنویسی کنید و اولین اسکریپت پایتون خود را در عرض چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که تجربه کدنویسی ندارند و یک دوره خرابی در پایتون ارائه می دهد که به زبان آموزان امکان می دهد تا در موضوعات تجزیه و تحلیل داده های اصلی که می توانند به زبان های دیگر منتقل شوند، بپردازند. در این دوره یاد خواهید گرفت که چگونه داده های خود را وارد و سازماندهی کنید، از توابع برای جمع آوری آمار توصیفی و انجام تست های آماری استفاده کنید. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند انتخابی، پر کردن جای خالی و عدم درهم آمیختن بلوک های کد) تا تمرین های کدگذاری کوچک و قابل دسترس که به جای اینکه چند دقیقه طول می کشد، پیشرفت کنید. ساعت در نهایت، یک آزمایشگاه طولانی تر در پایان دوره به شما فرصتی می دهد تا همه مفاهیم آموخته شده را در یک زمینه دنیای واقعی به کار ببرید.

coursera تجزیه و تحلیل داده ها و تجسم با پایتون (Mitalearn-306847)

  • 1 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Adwith Malpe,Steven Osburn
درباره این دوره:

در این دوره آموزشی، نحوه خواندن و نوشتن داده ها از یک فایل و روی آن را یاد خواهید گرفت. همچنین نحوه دستکاری و تجزیه و تحلیل داده ها را با استفاده از لیست ها، تاپل ها، دیکشنری ها، مجموعه ها و کتابخانه های پانداها و Matplot بررسی خواهید کرد. به‌عنوان یک توسعه‌دهنده، درک نحوه برخورد با مسائلی که می‌تواند باعث از کار افتادن یک برنامه کاربردی شود، مهم است. شما یاد خواهید گرفت که چگونه استثناها را برای رسیدگی به این مسائل پیاده سازی کنید. برای یادگیری مطالب در این دوره نیازی به پیشینه برنامه نویسی یا علوم کامپیوتر ندارید. این دوره برای همه کسانی که علاقه مند به یادگیری نحوه کدنویسی و نوشتن برنامه در پایتون هستند آزاد است. ما بسیار هیجان زده هستیم که با ما یاد خواهید گرفت و امیدواریم از این دوره لذت ببرید!

coursera تجزیه و تحلیل داده های پایتون (Mitalearn-329015)

  • 6 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Victor Geislinger
درباره این دوره:

این دوره استفاده از زبان برنامه نویسی پایتون را برای دستکاری مجموعه داده ها به عنوان جایگزینی برای صفحات گسترده معرفی می کند. شما از چارچوب OSEMN تجزیه و تحلیل داده ها پیروی می کنید تا داده ها را بکشید، تمیز کنید، دستکاری کنید و تفسیر کنید و در عین حال اصول برنامه نویسی اساسی و توابع پایه پایتون را یاد بگیرید. شما با کتابخانه پایتون، پانداها و نحوه استفاده از آن برای به دست آوردن، تمیز کردن، کاوش و تجسم داده ها آشنا خواهید شد. در پایان این دوره شما قادر خواهید بود: • از پایتون برای ساخت حلقه ها و ساختارهای داده اولیه استفاده کنید • مرتب سازی، پرس و جو و ساختار داده ها در پانداها، کتابخانه پایتون • تجسم داده ها را با کتابخانه های پایتون ایجاد کنید • مدل سازی و تفسیر داده ها با استفاده از پایتون این دوره برای افرادی طراحی شده است که می خواهند اصول استفاده از پایتون را برای مرتب سازی و ساختار داده ها برای تجزیه و تحلیل داده ها یاد بگیرند. شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید.

coursera تجزیه و تحلیل داده های حسابداری با پایتون (Mitalearn-293944)

  • 11 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ronald Guymon,Linden Lu
درباره این دوره:

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

coursera تجزیه و تحلیل داده های رسانه های اجتماعی (Mitalearn-332874)

  • 3 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chirag Shah
درباره این دوره:

نتایج یادگیرنده: پس از گذراندن این دوره، شما قادر خواهید بود: - از سرویس های مختلف رابط برنامه نویسی برنامه (API) برای جمع آوری داده ها از منابع مختلف رسانه های اجتماعی مانند یوتیوب، توییتر و فلیکر استفاده کنید. - پردازش داده های جمع آوری شده - عمدتاً ساختار یافته - با استفاده از روش هایی شامل همبستگی، رگرسیون و طبقه بندی برای به دست آوردن بینش در مورد منابع و افرادی که آن داده ها را تولید کرده اند. - داده های بدون ساختار - عمدتاً نظرات متنی - را برای احساسات بیان شده در آنها تجزیه و تحلیل کنید. - از ابزارهای مختلف برای جمع آوری، تجزیه و تحلیل و کاوش داده های رسانه های اجتماعی برای اهداف تحقیق و توسعه استفاده کنید. نمونه داستان یادگیرنده: تحلیلگر داده که می خواهد از داده های رسانه های اجتماعی استفاده کند. ایزابلا یک تحلیلگر داده است که به عنوان مشاور برای یک شرکت چند ملیتی کار می کند. او تجربه کار با ابزارهای تحلیل وب و همچنین داده های بازاریابی را دارد. او می‌خواهد اکنون در عرصه رسانه‌های اجتماعی گسترش یابد و سعی کند از حجم وسیعی از داده‌های موجود از طریق کانال‌های مختلف رسانه‌های اجتماعی استفاده کند. به طور خاص، او می خواهد ببیند که مشتریان، شرکا و رقبا چگونه محصولات/خدمات خود را مشاهده می کنند و در مورد آنها صحبت می کنند. او امیدوار است که یک گردش کار جدید از تجزیه و تحلیل داده ایجاد کند که پردازش داده های سنتی با استفاده از وب و ابزارهای بازاریابی و همچنین روش های جدیدتر استفاده از داده های رسانه های اجتماعی را در بر می گیرد. نمونه نقش های شغلی که به این مهارت ها نیاز دارند: - تحلیلگر رسانه های اجتماعی - تحلیلگر وب - تحلیلگر داده - بازاریابی و روابط عمومی پروژه نهایی قابل تحویل / مصنوع: این دوره دارای یک سری تکالیف کوچک یا پروژه های کوچک است که شامل جمع آوری داده ها، تجزیه و تحلیل و ارائه شامل منابع مختلف رسانه های اجتماعی با استفاده از تکنیک های آموخته شده در کلاس است. این دوره توسط دکتر چراغ شاه در زمانی که او عضو هیئت علمی دانشگاه راتگرز بود، ایجاد شد. او در حال حاضر یکی از اعضای هیئت علمی دانشگاه واشنگتن است.

coursera تجزیه و تحلیل رگرسیون: ساده کردن روابط داده های پیچیده (Mitalearn-336019)

  • 3 hours 37 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این پنجمین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته گوگل است. متخصصان داده از تحلیل رگرسیون برای کشف روابط بین متغیرهای مختلف در یک مجموعه داده و شناسایی عوامل کلیدی موثر بر عملکرد کسب و کار استفاده می کنند. در این دوره، مدل سازی روابط متغیر را تمرین خواهید کرد. شما در مورد روش های مختلف مدل سازی داده ها و نحوه استفاده از آنها برای نزدیک شدن به مشکلات تجاری یاد خواهید گرفت. همچنین روش هایی مانند رگرسیون خطی، تحلیل واریانس (ANOVA) و رگرسیون لجستیک را بررسی خواهید کرد. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاوش استفاده از مدل های پیش بینی برای توصیف روابط متغیرها، با تاکید بر همبستگی -تعیین کنید که چگونه رگرسیون چندگانه بر روی رگرسیون خطی ساده در هر مرحله از فرآیند مدل سازی ایجاد می شود -تست های ANOVA یک طرفه و دو طرفه را اجرا و تفسیر کنید - ساخت انواع مختلف رگرسیون لجستیک از جمله مدل های رگرسیون خطی دو جمله ای، چند جمله ای، ترتیبی و پواسون

coursera تجزیه و تحلیل شبکه برای تجزیه و تحلیل بازاریابی (Mitalearn-334064)

  • 1 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

تجزیه و تحلیل شبکه یک روش قدیمی است که برای درک روابط بین کلمات و بازیگران در شبکه های گسترده تر که در آن وجود دارند استفاده می شود. این دوره تجزیه و تحلیل شبکه را در رابطه با داده های بازاریابی، به ویژه مجموعه داده های متنی و شبکه های اجتماعی پوشش می دهد. زبان‌آموزان مروری مفهومی از تجزیه و تحلیل شبکه را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera تجسم داده ها با پایتون (Mitalearn-333010)

  • 2 hours 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Matt Harrison,Noah Gift,Kennedy Behrman
درباره این دوره:

در دنیای امروزی مبتنی بر داده، توانایی ایجاد تجسم‌های متقاعدکننده و بیان داستان‌های تاثیرگذار با داده‌ها یک مهارت بسیار مهم است. این دوره جامع شما را در فرآیند تجسم با استفاده از ابزارهای کدنویسی با پایتون، صفحات گسترده و ابزارهای BI (هوش تجاری) راهنمایی می کند. چه یک تحلیلگر داده، یک حرفه ای در کسب و کار یا یک داستان نویس مشتاق داده باشید، این دوره دانش و بهترین شیوه ها را برای برتری در هنر داستان سرایی بصری در اختیار شما قرار می دهد. در طول دوره، یک مجموعه داده ثابت برای تمرین ها استفاده خواهد شد، که به شما امکان می دهد به جای گرفتار شدن در پیچیدگی های داده ها، بر تسلط بر ابزارهای تجسم تمرکز کنید. تاکید بر کاربرد عملی است که به شما امکان می دهد ابزارها را در یک زمینه دنیای واقعی یاد بگیرید و تمرین کنید. برای استفاده کامل از بخش های پایتون این دوره، برنامه نویسی با تجربه قبلی در پایتون توصیه می شود. علاوه بر این، درک کاملی از ریاضیات سطح دبیرستان انتظار می رود. آشنایی با کتابخانه پانداها نیز مفید خواهد بود. در پایان این دوره، شما مهارت های لازم برای تبدیل شدن به یک داستان گوی داده و ارتباط تصویری ماهر را خواهید داشت. با توانایی ایجاد تجسم های قانع کننده و استفاده از ابزارهای مناسب، به خوبی مجهز خواهید بود تا در دنیای داده ها حرکت کنید و تصمیمات آگاهانه ای بگیرید که تأثیر معنی داری داشته باشد.

coursera تجسم داده ها با پایتون [coursera] (Mitalearn-330018)

  • 2 hours 6 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Saishruthi Swaminathan,Dr. Pooja
درباره این دوره:

یکی از مهم‌ترین مهارت‌های دانشمندان داده و تحلیلگران داده موفق، توانایی بیان یک داستان متقاعدکننده با تجسم داده‌ها و یافته‌ها به روشی قابل دسترس و محرک است. در این دوره راه های زیادی را برای تجسم موثر داده های کوچک و بزرگ یاد خواهید گرفت. شما قادر خواهید بود داده هایی را که در نگاه اول معنی کمی دارند بردارید و آن داده ها را به شکلی ارائه دهید که بینش را منتقل کند. این دوره به شما آموزش می دهد که با بسیاری از ابزارها و تکنیک های تجسم داده کار کنید. شما یاد خواهید گرفت که انواع مختلف نمودارها و نمودارهای اساسی و پیشرفته مانند: نمودارهای وافل، نمودارهای منطقه، هیستوگرام، نمودار میله ای، نمودار دایره ای، نمودار پراکندگی، ابرهای ورد، نقشه های کروپلث، و بسیاری موارد دیگر را ایجاد کنید! همچنین داشبوردهای تعاملی ایجاد خواهید کرد که به افرادی که هیچ تجربه ای در علم داده ندارند نیز اجازه می دهد تا داده ها را بهتر درک کنند و تصمیمات مؤثرتر و آگاهانه تری بگیرند. با تکمیل آزمایشگاه های متعدد و یک پروژه نهایی برای تمرین و به کارگیری بسیاری از جنبه ها و تکنیک های تجسم داده ها با استفاده از نوت بوک های Jupyter و یک IDE مبتنی بر ابر، به طور عملی یاد خواهید گرفت. شما از چندین کتابخانه تجسم داده در پایتون استفاده خواهید کرد، از جمله Matplotlib، Seaborn، Folium، Plotly و Dash.

coursera تجسم و برقراری ارتباط نتایج در پایتون با Jupyter (Mitalearn-327587)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Kevin Noelsaint,Anh Le
درباره این دوره:

کدنویسی کنید و اولین برنامه پایتون خود را در چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزان با تجربه محدود در کدنویسی طراحی شده است و پایه ای برای ارائه داده ها با استفاده از ابزارهای تجسم در Jupyter Notebook فراهم می کند. این دوره به زبان آموزان کمک می کند تا توصیف و استنباط از داده ها داشته باشند و بهتر ارتباط برقرار کنند و داده ها را ارائه دهند. ماژول های این دوره طیف گسترده ای از تجسم ها را پوشش می دهند که به شما امکان می دهد ترکیب مجموعه داده را نشان داده و مقایسه کنید، توزیع مجموعه داده را تعیین کنید، و داده های پیچیده مانند داده های مبتنی بر جغرافیا را تجسم کنید. تکمیل تجزیه و تحلیل داده ها در پایتون با پانداها و matplotlib در Spyder قبل از گذراندن این دوره توصیه می شود. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند انتخابی، پر کردن جای خالی و عدم درهم آمیختن بلوک های کد) تا تمرین های کدگذاری کوچک و قابل دسترس که به جای اینکه چند دقیقه طول می کشد، پیشرفت کنید. ساعت در نهایت، یک آزمایشگاه انباشته در پایان دوره به شما فرصتی می دهد تا همه مفاهیم آموخته شده را در یک زمینه دنیای واقعی به کار ببرید.

coursera تحلیل کاربردی شبکه های اجتماعی در پایتون (Mitalearn-332891)

  • 3 hours 43 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Daniel Romero
درباره این دوره:

این دوره از طریق آموزش با استفاده از کتابخانه NetworkX زبان آموز را با تجزیه و تحلیل شبکه آشنا می کند. این دوره با درک اینکه تحلیل شبکه چیست و انگیزه هایی برای اینکه چرا ممکن است پدیده ها را به عنوان شبکه مدل سازی کنیم آغاز می شود. هفته دوم مفهوم اتصال و استحکام شبکه را معرفی می کند. هفته سوم راه های اندازه گیری اهمیت یا مرکزیت یک گره در یک شبکه را بررسی خواهد کرد. هفته آخر سیر تکامل شبکه‌ها در طول زمان را بررسی می‌کند و مدل‌های تولید شبکه و مشکل پیش‌بینی لینک را پوشش می‌دهد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

coursera ترسیم، نمودار و نمایش داده های کاربردی در پایتون (Mitalearn-332755)

  • 3 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Christopher Brooks
درباره این دوره:

این دوره زبان آموز را با مبانی تجسم اطلاعات، با تمرکز بر گزارش و ترسیم نمودار با استفاده از کتابخانه matplotlib آشنا می کند. این دوره با یک دیدگاه طراحی و سواد اطلاعاتی شروع می شود و به این موضوع می پردازد که چه چیزی یک تجسم خوب و بد را ایجاد می کند و معیارهای آماری از نظر تجسم به چه چیزی تبدیل می شوند. هفته دوم بر روی فناوری مورد استفاده برای تجسم سازی در پایتون، matplotlib و معرفی بهترین شیوه ها در هنگام ایجاد نمودارهای اساسی و نحوه تحقق تصمیمات طراحی در چارچوب تمرکز خواهد کرد. هفته سوم آموزش عملکردهای موجود در matplotlib خواهد بود و انواع نمودارهای آماری پایه را نشان می دهد که به یادگیرندگان کمک می کند تشخیص دهند که چه زمانی یک روش خاص برای یک مشکل خاص خوب است. این دوره با بحث در مورد اشکال دیگر ساختاردهی و تجسم داده ها به پایان می رسد. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و قبل از باقیمانده دوره های علوم داده کاربردی با پایتون گذرانده شود: یادگیری ماشین کاربردی در پایتون، متن کاوی کاربردی در پایتون، و تحلیل شبکه های اجتماعی کاربردی در پایتون.

coursera تست فرضیه با پایتون و اکسل (Mitalearn-334285)

  • 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Gerald S. Brown,Kishore K. Pochampally
درباره این دوره:

در بازار کار امروزی، رهبران برای رقابتی بودن نیاز به درک اصول اساسی داده ها دارند. یک روش ضروری برای درک تجارت و تجزیه و تحلیل، آزمون فرضیه است. این دوره کوتاه که توسط اساتید متخصص دانشگاه تافتز طراحی شده است، مبانی آزمون فرضیه میانگین جمعیت و نسبت جمعیت را با استفاده از Excel و Python برای محاسبات آموزش می دهد. شما همچنین قضیه حد مرکزی را که برای آزمایش فرضیه ضروری است، کشف خواهید کرد. برای به پایان رساندن دوره، با ایجاد طرحی برای آزمایشی در محل کار خود که از آزمون فرضیه استفاده می کند، مهارت های جدید خود را به کار خواهید گرفت.

coursera تفکر الگوریتمی (قسمت دوم) (Mitalearn-312389)

  • 4 hours 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luay Nakhleh,Scott Rixner,Joe Warren
درباره این دوره:

دانشمندان کامپیوتر با تجربه، مسائل محاسباتی را در سطحی از انتزاع که فراتر از هر زبان برنامه نویسی خاصی است، تحلیل و حل می کنند. این کلاس دو قسمتی برای آموزش مفاهیم ریاضی و فرآیند "تفکر الگوریتمی" به دانش آموزان طراحی شده است و به آنها امکان می دهد راه حل های ساده تر و کارآمدتری برای مسائل محاسباتی بسازند. در قسمت دوم این دوره به بررسی تکنیک های الگوریتمی پیشرفته مانند برنامه نویسی پویا و تفرقه بینداز می پردازیم. به عنوان بخش مرکزی دوره، دانش‌آموزان چندین الگوریتم را در پایتون پیاده‌سازی می‌کنند که این تکنیک‌ها را در خود جای داده و سپس از این الگوریتم‌ها برای تجزیه و تحلیل دو مجموعه داده بزرگ در دنیای واقعی استفاده می‌کنند. تمرکز اصلی این کارها درک تعامل بین الگوریتم ها و ساختار مجموعه داده هایی است که توسط این الگوریتم ها تجزیه و تحلیل می شوند. هنگامی که دانش‌آموزان این کلاس را کامل کردند، مهارت‌های ریاضی و برنامه‌نویسی برای تجزیه و تحلیل، طراحی و برنامه‌ریزی راه‌حل‌های طیف وسیعی از مسائل محاسباتی را خواهند داشت. در حالی که این کلاس از پایتون به عنوان وسیله انتخابی خود برای تمرین تفکر الگوریتمی استفاده می کند، مفاهیمی که در این کلاس خواهید آموخت فراتر از هر زبان برنامه نویسی خاصی است.

coursera توابع، فایل ها و دیکشنری های پایتون (Mitalearn-301713)

  • 7 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Paul Resnick,Steve Oney
درباره این دوره:

این دوره ساختار داده فرهنگ لغت و توابع تعریف شده توسط کاربر را معرفی می کند. شما با متغیرهای محلی و سراسری، انتقال پارامترهای اختیاری و کلید واژه، توابع نامگذاری شده و عبارات لامبدا آشنا خواهید شد. همچنین با تابع مرتب‌سازی شده پایتون و نحوه کنترل ترتیب مرتب‌سازی آن با ارسال تابع دیگری به عنوان ورودی آشنا خواهید شد. برای پروژه نهایی خود، داده‌های شبکه‌های اجتماعی شبیه‌سازی‌شده را از یک فایل می‌خوانید، امتیازات احساسات را محاسبه می‌کنید و فایل‌های csv. را می‌نویسید. این فصل‌های 10 تا 16 کتاب درسی «مبانی برنامه‌نویسی پایتون» را پوشش می‌دهد که متن همراه (اختیاری و رایگان) این دوره است. اگر قبلاً دوره "مبانی پایتون" را گذرانده اید و می خواهید دانش اساسی بیشتری از زبان پایتون کسب کنید، این دوره برای شما مناسب است. هر دو دوره با هم برای افراد تازه وارد در برنامه نویسی پایتون، کسانی که نیاز به تجدید نظر در مبانی پایتون دارند، یا کسانی که ممکن است تا حدودی با برنامه نویسی پایتون آشنا شده باشند اما خواهان شرح و واژگان عمیق تری برای توصیف و استدلال در مورد برنامه ها هستند، طراحی شده است. این دوره تکمیلی دوره "مبانی پایتون" (درس 1 از تخصص برنامه نویسی پایتون 3) است و دومین دوره از پنج دوره در این تخصص است.

coursera توزیع متوسط ​​اینتل از OpenVINO™ برای کاربردهای یادگیری عمیق (Mitalearn-313647)

  • 1 hours 21 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Vu Q Nguyen
درباره این دوره:

این دوره برای توسعه دهندگان برنامه طراحی شده است که می خواهند بارهای کاری استنتاج بینایی کامپیوتر را با استفاده از کیت ابزار OpenVINOTM Intel® Distribution توسعه دهند. این دوره به مدل‌های شبکه عصبی بینایی کامپیوتر از انواع چارچوب‌های یادگیری ماشینی معروف می‌پردازد و نوشتن یک برنامه کاربردی قابل حمل را پوشش می‌دهد که قادر به استقرار استنتاج بر روی طیف وسیعی از دستگاه‌های محاسباتی است. این دوره برای توسعه دهندگان برنامه هدف گذاری شده است و بر روی مثال ها و بحث در مورد گردش کار توسعه تمرکز می کند. به این ترتیب، بحث‌ها نه تنها شامل جزئیات نحوه استفاده از خود جعبه ابزار می‌شود، بلکه موضوعاتی مانند نحوه گرفتن معیار برای مقایسه دستگاه‌های محاسباتی یا کارهایی که باید در هنگام مواجهه با مشکلات انجام دهید را شامل می‌شود. این دوره به گونه ای ساخته شده است که به عنوان راهنمای چگونگی توسعه استقرار استنتاج بینایی کامپیوتر با جعبه ابزار عمل می کند. در پایان دوره، دانش‌آموزان مهارت لازم برای استقرار برنامه بینایی کامپیوتر خود را با استفاده از جعبه ابزار خواهند داشت.

coursera توسعه برنامه های کاربردی در پایتون در AWS (Mitalearn-320277)

  • 2 hours 39 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Russell Sayers,Morgan Willis
درباره این دوره:

این دوره به شما معرفی کاملی با زبان برنامه نویسی پایتون می دهد. شما با یادگیری تعریف پایتون، تاریخچه، معناشناسی و نحوه عملکرد آن شروع خواهید کرد. هفته اول با نوشتن یک اسکریپت پایتون برای حل یک مشکل به پایان می رسد. در هفته دوم، با معماری‌های بدون سرور آشنا خواهید شد و تفاوت‌های بین میکروسرویس‌ها، معماری‌های سرویس‌گرا و یکپارچه را درک خواهید کرد. با یادگیری نحوه استفاده از ابزارهای زیر، یک معماری میکروسرویس می‌سازید: AWS Lambda، Amazon API Gateway و Cloud9. سپس زمان آن فرا می رسد که با پایگاه های داده AWS عمیق شوید. Amazon RDS و Amazon DynamoDB را در عمل مشاهده خواهید کرد و نقش مهمی را که آنها در توسعه برنامه‌های کاربردی در پایتون ایفا می‌کنند، تجسم می‌کنند. هفته پایانی دوره، خدمات یکپارچه سازی اپلیکیشن را پوشش خواهد داد. سرویس اعلان ساده آمازون (SQS)، سرویس صف ساده (SQS) و EventBridge به عنوان اجزای مهم «چسب» برای برنامه‌های کاربردی مبتنی بر ابر مقیاس‌پذیر، در مرکز توجه قرار دارند. شما دوره را با یک پروژه عملی می بندید، کدی را می نویسید تا از برخی داده های رمزگذاری شده برای نوشتن در dynamodb استفاده کنید و سپس آن را به یک تابع لامبدا تبدیل می کنید.

coursera توسعه برنامه های کاربردی هوش مصنوعی با پایتون و فلاسک (Mitalearn-270195)

  • 1 hours 23 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Abhishek Gagneja,Ramesh Sannareddy
درباره این دوره:

این دوره کوتاه برای تجهیز زبان‌آموزان به مهارت‌های پایه در پایتون برای توسعه برنامه‌های کاربردی وب با قابلیت هوش مصنوعی با استفاده از چارچوب Flask و کتابخانه‌های هوش مصنوعی Watson طراحی شده است. شما چرخه عمر انتها به انتها ساخت برنامه های کاربردی وب مقیاس پذیر را بررسی خواهید کرد، از نوشتن کدهای پاک و ماژولار پایتون تا استقرار راه حل های کامل مبتنی بر هوش مصنوعی. این دوره با معرفی Flask، یک چارچوب وب سبک و انعطاف پذیر آغاز می شود و به زبان آموزان کمک می کند تا پایه ای قوی در برنامه های کاربردی وب، API ها و چرخه عمر کلی توسعه ایجاد کنند. آن‌ها تجربه عملی با IDE Cloud Network IBM Skills به دست خواهند آورد، بهترین روش‌های پایتون از جمله تجزیه و تحلیل کد استاتیک را یاد می‌گیرند، و تست‌های واحد را می‌نویسند و اجرا می‌کنند تا از قابلیت اطمینان کد خود اطمینان حاصل کنند. این دوره با آموزش ساختن برنامه های کاربردی وب با Flask که موضوعاتی مانند مسیریابی، رسیدگی به درخواست های GET و POST، مسیرهای پویا و مدیریت خطا را پوشش می دهد، عمیق تر به توسعه برنامه می پردازد. در پایان دوره، فراگیران یک پروژه تمرینی و یک پروژه نهایی بررسی شده را تکمیل خواهند کرد که توانایی آنها را برای توسعه، آزمایش و استقرار برنامه های کاربردی Flask مبتنی بر هوش مصنوعی نشان می دهد. تجربه عملی به‌دست‌آمده در طول این دوره تضمین می‌کند که زبان‌آموزان نه تنها به مهارت‌های پایتون و فلاسک خود اطمینان دارند، بلکه آماده ساخت اپلیکیشن‌های وب هوشمند در تنظیمات دنیای واقعی هستند.

coursera جبر خطی برای یادگیری ماشین و علم داده (Mitalearn-303719)

  • 4 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera جمع آوری و پردازش داده ها با پایتون (Mitalearn-310094)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paul Resnick
درباره این دوره:

این دوره به شما می آموزد که داده ها را از سرویس های موجود در اینترنت واکشی و پردازش کنید. درک لیست پایتون را پوشش می دهد و فرصت هایی را برای تمرین استخراج و پردازش داده های عمیق تو در تو فراهم می کند. همچنین یاد خواهید گرفت که چگونه از ماژول درخواست‌های پایتون برای تعامل با APIهای REST استفاده کنید و در اسناد آن APIها به دنبال چه چیزی باشید. برای پروژه نهایی، شما یک «پیشنهادگر برچسب» برای سایت اشتراک‌گذاری عکس فلیکر می‌سازید. اگر قبلاً دوره های «مبانی پایتون» و «توابع، فایل ها و دیکشنری های پایتون» (دوره های 1 و 2 تخصص برنامه نویسی پایتون 3) را گذرانده باشید، این دوره برای شما مناسب است. اگر قبلاً با اصول پایتون آشنایی دارید اما می خواهید در بازیابی و پردازش داده های تو در تو پیچیده از سرویس های اینترنتی تمرین کنید، می توانید بدون گذراندن دو دوره قبلی نیز از این دوره بهره مند شوید. این سومین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

Suggestions